CN109636773A - 一种基于梯度相关的圆形目标检测方法 - Google Patents

Abstract

本发明提供了一种基于梯度相关的圆形目标检测方法，对原始图像进行Sobel边缘检测处理，得到图像边缘的二值化结果，计算各坐标点的向量值，依次计算该梯度与不同坐标向量值的相关系数，构成表征圆形目标中心位置概率的相关系数图，统计以圆心为中心，不同半径的圆周上边缘点的个数，从大到小遍历不同的半径，当半径值不大于对应的边缘点个数值时，即得到圆形目标的半径。本发明通过计算各边缘点梯度与其相对坐标的相关系数来确定圆心位置和半径大小，解决了圆形目标的快速检测问题，不但提高了检测精度而且降低了计算量，广泛适用于圆形器件筛选、智能交通等工业领域。

Description

一种基于梯度相关的圆形目标检测方法

技术领域

本发明涉及图像处理技术领域，尤其是一种圆形目标的检测方法。

背景技术

在机器视觉领域，往往涉及一些针对圆形目标的检测问题，如：工业生产中圆形器件的筛选、智能交通中圆形警示牌的识别等。Hough变换以其对图像边缘的不连续性和噪声影响都具有较强的鲁棒性，成为圆形检测最常用的方法之一。但由于传统Hough变换在进行圆形检测时每次都要遍历三维的参数空间，计算量较大，计算耗时较长，很难满足实际应用的需求。虽然后续出现了一些改进方法，如随机Hough变换，可以在存储量和计算量方面得到改善，但随机的选点也增加了无效采样与无用累积的概率，使圆形检测性能大为降低。

发明内容

为了克服现有技术的不足，本发明提供一种既简便又有效的圆形目标检测方法，克服传统方法中计算量大、检测精度低的不足。不但能够确定圆心位置，而且能够给出半径大小，进一步提升圆形目标的检测性能。

本发明解决其技术问题所采用的技术方案的具体实现步骤如下：

步骤1：对输入的原始图像进行Sobel边缘检测处理，得到图像边缘的二值化结果，“0”表示非边缘，“1”表示边缘，具体为：

对于给定图像I，使用Sobel算子进行边缘检测，得到二值化图像I_S，Sobel算子如下：

步骤2：计算二值化图像中每一个标“1”的边缘坐标点在原始图像中的梯度，并计算以该边缘坐标点为中心，指向半径为R范围内各坐标点的向量值；

对于二值化图像中每一个边缘坐标点(x,y)，计算该点在原始图像I中的梯度，即：

其中，G_x和G_y分别表示坐标点(x,y)在水平和竖直方向上的梯度值；

计算以边缘坐标点(x,y)为中心，指向以R为半径的区域内任意一点(x′,y′)的向量，其表达式如下：

式(2)中，Δx和Δy分别表示向量的水平和竖直分量，Ω_(x,y)表示以(x,y)为中心，半径为R的区域；

步骤3：依次计算该梯度与不同坐标向量值的相关系数，分别再与各自以前值做累加，构成了表征圆形目标中心位置概率的相关系数图。

计算坐标点(x,y)处的梯度与Ω_(x,y)区域内所有(x′,y′)点处向量的相关系数，并与各自之前的相关系数做累加和，即：

其中，c(x′,y′)表示相关系数累加和构成的图，其上各个坐标点的值的大小表征了圆形目标的中心出现在该位置的概率；

步骤4：求取相关系数图中最大值位置坐标即为圆心，统计以圆心为中心，不同半径的圆周上边缘点的个数，从大到小遍历不同的半径，当半径值不大于对应的边缘点个数值时，即得到圆形目标的半径；

取c(x′,y′)中最大值的坐标(X,Y)，即为圆形目标可能出现的位置：

在二值化图像I_S中，统计以(X,Y)为中心，不同r∈[1,R]为半径的圆周上边缘点(x,y)的个数：

其中，V表示不同半径的圆周上边缘点数构成的向量，round(·)表示四舍五入；在r的取值范围内从大到小遍历向量V，第一个满足V(r)≥r的r即为圆形目标的半径r_T。

本发明有益效果为通过计算各边缘点梯度与其相对坐标的相关系数来确定圆心位置和半径大小，解决了圆形目标的快速检测问题。该发明的核心思想是统计每个边缘点对其周围像素的贡献量，而不是周围像素对其中心点的贡献，不但提高了检测精度而且降低了计算量，广泛适用于圆形器件筛选、智能交通等工业领域。

附图说明

图1是本发明的算法流程框图。

图2是本发明实施例的效果图，其中，(a)图是原始图像；(b)图是原始图像经过Sobel边缘检测后的二值化图像；(c)图是圆形目标检测结果。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

步骤1：对输入的原始图像进行Sobel边缘检测处理，得到图像边缘的二值化结果，“0”表示非边缘，“1”表示边缘，具体为

对于给定图像I，使用Sobel算子进行边缘检测，得到二值化图像I_S，Sobel算子如下：

步骤2：计算二值化图像中每一个标“1”的边缘坐标点在原始图像中的梯度，并计算以该边缘坐标点为中心，指向半径为R范围内各坐标点的向量值；

对于二值化图像中每一个边缘坐标点(x,y)，计算该点在原始图像I中的梯度，即：

其中，G_x和G_y分别表示坐标点(x,y)在水平和竖直方向上的梯度值；

计算以边缘坐标点(x,y)为中心，指向以R为半径的区域内任意一点(x′,y′)的向量，其表达式如下：

式(2)中，Δx和Δy分别表示向量的水平和竖直分量，Ω_(x,y)表示以(x,y)为中心，半径为R的区域；

步骤3：依次计算该梯度与不同坐标向量值的相关系数，分别再与各自以前值做累加，构成了表征圆形目标中心位置概率的相关系数图。

计算坐标点(x,y)处的梯度与Ω_(x,y)区域内所有(x′,y′)点处向量的相关系数，并与各自之前的相关系数做累加和，即：

其中，c(x′,y′)表示相关系数累加和构成的图，其上各个坐标点的值的大小表征了圆形目标的中心出现在该位置的概率；

步骤4：求取相关系数图中最大值位置坐标即为圆心，统计以圆心为中心，不同半径的圆周上边缘点的个数，从大到小遍历不同的半径，当半径值不大于对应的边缘点个数值时，即得到圆形目标的半径；

取c(x′,y′)中最大值的坐标(X,Y)，即为圆形目标可能出现的位置：

在二值化图像I_S中，统计以(X,Y)为中心，不同r∈[1,R]为半径的圆周上边缘点(x,y)的个数：

其中，V表示不同半径的圆周上边缘点数构成的向量，round(·)表示四舍五入；在r的取值范围内从大到小遍历向量V，第一个满足V(r)≥r的r即为圆形目标的半径r_T。

该发明的具体算法流程见附图1。

具体实施步骤如下：

1)使用Sobel边缘检测方法提取原始图像的边缘信息；

2)计算每个边缘点的梯度；

3)计算边缘点梯度与其一定范围内坐标向量的相关系数；

4)累加相关系数到各自的坐标点，构成相关系数图；

5)计算相关系数图中最大值处的坐标，即为圆形目标的圆心位置；

6)统计以圆心为中心，不同半径的圆周上边缘点的个数；

7)从大到小遍历不同的半径值，第一个不大于对应边缘点个数的半径即为圆形目标的半径值。

针对本发明提出的一种基于梯度相关的圆形目标检测方法，以下举例说明该方法的应用。

实验中使用的图像是8位、256×256的灰度图像，如附图2中(a)所示。

按照上述实施步骤，

步骤一，使用Sobel算子提取附图2(a)的边缘信息，如附图2(b)所示；

步骤二，使用(1)式计算边缘点的梯度；

步骤三，利用(2)式计算以边缘点为中心，半径为R的区域内所有坐标向量，此处R取值32；

步骤四，利用(3)式计算边缘点梯度与范围内所有坐标向量的相关系数，并各自累加，形成相关系数图；

步骤五，利用(4)式计算相关系数图中最大值的坐标，即为圆形目标的中心位置；

步骤六，利用(5)式统计不同半径的圆周上边缘点的个数；

步骤七，从大到小遍历不同的半径值，按照V(r)≥r规则确定最终圆形目标的半径，检测结果如附图2(c)所示。

Claims (1)

1.一种基于梯度相关的圆形目标检测方法，其特征在于包括下述步骤：

步骤1：对输入的原始图像进行Sobel边缘检测处理，得到图像边缘的二值化结果，“0”表示非边缘，“1”表示边缘，具体为：

对于给定图像I，使用Sobel算子进行边缘检测，得到二值化图像I_S，Sobel算子如下：

步骤2：计算二值化图像中每一个标“1”的边缘坐标点在原始图像中的梯度，并计算以该边缘坐标点为中心，指向半径为R范围内各坐标点的向量值；

对于二值化图像中每一个边缘坐标点(x,y)，计算该点在原始图像I中的梯度，即：

其中，G_x和G_y分别表示坐标点(x,y)在水平和竖直方向上的梯度值；

计算以边缘坐标点(x,y)为中心，指向以R为半径的区域内任意一点(x′,y′)的向量，其表达式如下：

式(2)中，Δx和Δy分别表示向量的水平和竖直分量，Ω_(x,y)表示以(x,y)为中心，半径为R的区域；

步骤3：依次计算该梯度与不同坐标向量值的相关系数，分别再与各自以前值做累加，构成了表征圆形目标中心位置概率的相关系数图；

计算坐标点(x,y)处的梯度与Ω_(x,y)区域内所有(x′,y′)点处向量的相关系数，并与各自之前的相关系数做累加和，即：

其中，c(x′,y′)表示相关系数累加和构成的图，其上各个坐标点的值的大小表征了圆形目标的中心出现在该位置的概率；

步骤4：求取相关系数图中最大值位置坐标即为圆心，统计以圆心为中心，不同半径的圆周上边缘点的个数，从大到小遍历不同的半径，当半径值不大于对应的边缘点个数值时，即得到圆形目标的半径；

取c(x′,y′)中最大值的坐标(X,Y)，即为圆形目标可能出现的位置：

在二值化图像I_S中，统计以(X,Y)为中心，不同r∈[1,R]为半径的圆周上边缘点(x,y)的个数：

其中，V表示不同半径的圆周上边缘点数构成的向量，round(·)表示四舍五入；在r的取值范围内从大到小遍历向量V，第一个满足V(r)≥r的r即为圆形目标的半径r_T。